如何基于现有DataFrame生成包含Top10高频城市的临时数据集

原代码错误原因 #

• 语法非法：df_city[df_city['city_name']]属于错误索引写法，pandas行筛选不支持直接传入城市名Series作为参数
• 逻辑偏差：没有先统计城市出现次数，直接按城市名称排序取前10，不符合「出现次数最多」的筛选规则
• 结果不符合预期：即使代码能运行，最终输出也只有10条城市名字段值，无法保留原DataFrame的所有列数据

正确实现代码 #

常规写法（取频次前10，并列第10仅保留先出现的） #

# 第一步：统计各城市出现次数，取出现次数最高的10个城市名称列表
top10_cities = df_city['city_name'].value_counts().head(10).index.tolist()
# 第二步：筛选原数据集里属于这10个城市的所有行，保留全部字段
df_temp = df_city[df_city['city_name'].isin(top10_cities)]

兼容并列写法（频次并列第10的城市全部保留） #

# 用nlargest的keep参数保留所有并列第10的城市
top10_cities = df_city['city_name'].value_counts().nlargest(10, keep='all').index.tolist()
df_temp = df_city[df_city['city_name'].isin(top10_cities)]

内容的提问来源于stack exchange，提问作者Samuel Jackson